差别

这里会显示出您选择的修订版和当前版本之间的差别。

--- internet_archive专用页面 [2024/03/27 09:57] – MNBVC项目组
+++ internet_archive专用页面 [2024/08/30 21:08] (当前版本) – [使用python操作IA] MNBVC项目组
@@ 行 27: / 行 27: @@
 获取到itemlist后，就可以下载：
   ia download --itemlist itemlist.txt
+===== 下载Wayback Machine网站快照 =====
+当一个用户通过某些IA的api，例如Save Page Now，将网站上传到IA之后，IA会有一个自动化流程定期整理所有用户上传数据，并形成一个web archive数据集（warc），这个格式和common crawl的格式相同。这个数据集包含了特定时间点之间**所有用户**通过Save Page Now上传的网页，因此在IA上对应的collection标记为Restricted，不能直接下载。
+IA对特定网站的快照查看，通过wayback machine进行（https://web.archive.org/），该网站有一个类似common crawl cdx索引的索引服务器：https://github.com/internetarchive/wayback/tree/master/wayback-cdx-server，可以对特定网站中的网页生成下载链接。
+所以，从IA下载特定网站的操作是：
+  - 获取网站url，例如“1700多个中文独立博客”（https://blog.save-web.org/blog/2022/07/19/%e9%9c%87%e6%83%8a%ef%bc%8cstwp-%e7%ab%9f%e7%84%b6%e7%bb%99-1700-%e5%a4%9a%e4%b8%aa%e4%b8%ad%e6%96%87%e7%8b%ac%e7%ab%8b%e5%8d%9a%e5%ae%a2%e5%81%9a%e4%ba%86%e6%af%8f%e6%97%a5%e5%a4%87%e4%bb%bd/），要先去上述网页点击rss list（https://github.com/saveweb/rss-list/）点击Release，下载Blog.opml.xml，从xml中提取出特定网站的 url，例如androidperformance.com
+  - 验证（可选），使用androidperformance.com关键字去wayback machine网站查看网页快照，直达链接：https://web.archive.org/web/20240000000000*/androidperformance.com
+  - 使用这个关键字去way back machine的cdx api生成文件列表并下载。（这一步需要咨询一下负责common crawl数据的大佬，看他 能否改一下代码测试一下）
 ===== 使用python操作IA =====
+pip install internetarchive
 因为是pip安装的包，可以直接在pythong中使用：
   import internetarchive
@@ 行 35: / 行 46: @@
       print(result['identifier'])
-问题：
+一些有用的python代码@n_g @等战：
-、发现IA上还有类型为Access-restricted-item的文件，图标是一把锁，这些文件没找到下载办法，例如[[https://archive.org/details/tianya.cn?tab=collection]]
+{{ ::ia_scripts.zip |}}
-、据说有某些文件需登陆后下载，但IA命令行没有找到登录设置。
+该压缩包中包含：
-、有些“借阅”类型的文件（通常是电子书），可以在线阅读或下载后一定时间内可阅读，这些文件均被DRM加密，不一定能够破解。参考：[[https://github.com/noDRM/DeDRM_tools | dedrm]]
+  - 1_get_ia_collection_items.py 将一个指定collection中所有的item名字导出
+  - 2_get_ia_items_metadata.py 获取上一步导出的所有item的元数据（json）
+  - 3_get_warc_url_from_metadata.py 从上一步的元数据中搜索warc/warc.gz文件，并获取该文件的URL（可直接导入下载工具批量多线程下载）
+  - 5_warc_extract.py 从一个warc/warc.gz文件中提取特定mime类型的数据（'application/pdf', 'text/html', 'text/plain', 'text/markdown'）
+{{ ::3_get_warc_url_from_metadata_v2.zip |}}
+step3的v2版本，bug修复：
+  - 由于数值以字符串形式存储，导致对于数值的排序不正确
+  - 输入文件名优化为脚本当前文件夹
+  - 对可下载文件的识别更准确，排除了.cdx.gz等无用的文件类型，同时新增rar、zip、7z等格式的收集。
+  - 新增从文件名识别域名的功能，能够识别到的域名放在download_url_domain.txt，不能识别的放在download_url_nodomain.txt，这两个文件加起来等于v1版本的输出
+  - 新增按域名对warc大小分类汇总，存放在download_url_summary.txt
+{{ ::6_get_warc_backup_url.zip |}} IA对于任意一个item，均有主用、备用两个URL。使用脚本3从脚本2生成下载URL时，默认只会返回下载地址1（D1），如果D1出现问题，可以尝试从备用下载地址（D2）下载，这个脚本的作用是输入任何一个下载URL，返回另外一个。
+已知问题：
+_warc_extract.py现在使用warcio，在处理某些版本的warc时有问题，建议更改为fastwarc（C++不支持zstd warc）或IA官方的warc工具（glang）
+===== 其它IA命令 =====
+查看某个item的metadata，其中d1、d2对应该item的2个存储服务器，有时候主存储限速时，可尝试备用存储下载
+  https://archive.org//metadata/{identifier}
+===== 遗留问题 =====
+  - 发现IA上还有类型为[[https://archive.org/details/tianya.cn?tab=collection | Access-restricted-item的文件]]，图标是一把锁，这些文件没找到下载办法
+  - 据说有某些文件需登陆后下载，但IA命令行没有找到登录设置。
+  - 有些“借阅”类型的文件（通常是电子书），可以在线阅读或下载后一定时间内可阅读，这些文件均被DRM加密，不一定能够破解。参考：[[https://github.com/noDRM/DeDRM_tools | dedrm]]
 ===== 参考文档 =====
-[[https://archive.org/developers/internetarchive/cli.html]]
+[[https://archive.org/developers/internetarchive/cli.html | cli]]
+[[https://archive.org/developers/tutorial-find-identifier-item.html#:~:text=You%E2%80%99ll%20use%20this%20value%20to%20fetch%20all%20items,In%20this%20example%2C%20the%20value%20is%20us_senate.%20 | tutorial-find-identifier-item]]
-[[https://archive.org/developers/tutorial-find-identifier-item.html#:~:text=You%E2%80%99ll%20use%20this%20value%20to%20fetch%20all%20items,In%20this%20example%2C%20the%20value%20is%20us_senate.%20]]
+===== IA搜索关键字记录 =====
+tianya.cn：有越60G的数据但全部都标记为不允许下载。